从原理到实战：深入剖析k-medoids聚类算法及其MATLAB实现

1. 什么是k-medoids聚类算法？

第一次听说k-medoids这个词时，我也是一头雾水。后来在实际项目中用了几次才发现，这其实就是一种更"接地气"的聚类方法。想象一下你要在小区里开几家便利店，k-medoids就是帮你找出最适合开店的位置——这些位置必须是小区里真实存在的楼栋（我们称之为medoid），而不能是随便在地图上画个点。

和常见的k-means算法相比，k-medoids最大的特点就是它选的中心点必须是数据集中的真实样本。这就好比k-means可以在小区任何位置画圈开店，哪怕这个点在池塘中央；而k-medoids则必须选择现有楼栋作为店铺位置。这个特性让k-medoids对异常值特别"淡定"，不会因为几个离群点就乱跑中心位置。

我去年处理过一个传感器网络数据，里面有不少噪声。用k-means时，聚类中心总被几个异常读数带偏；换成k-medoids后，效果立刻稳定多了。这也是为什么在现实数据往往不够"干净"的情况下，很多工程师更偏爱这个方法。

2. k-medoids算法原理详解

2.1 算法运行流程

让我们拆解下k-medoids是怎么工作的。假设你要把100个客户分成5个群组：

1. 开局随机选：先随便挑5个客户作为初始代表（medoids）
2. 分配小弟：让其他95个客户各自加入离自己最近的代表所在的群组
3. 重新选老大：在每个群组内部，找出那个到所有组员距离总和最小的客户，让他当新代表
4. 判定结局：如果新代表和旧代表是同一个人，游戏结束；否则回到第2步

这个过程中最耗计算的就是第3步。我做过测试，在1000个数据点时，这一步要计算近百万次距离！所以实际使用时，对小数据集很友好，但数据量大时就得考虑优化了。

2.2 与k-means的核心差异

很多人容易混淆k-medoids和k-means，我整理了个对比表格：

去年我给一家电商做用户分群时，发现他们的交易数据里有不少异常大额订单。用k-means时，这些异常值把整个聚类都带偏了；换成k-medoids后，分群结果立即合理很多。

3. MATLAB实现步步解析

3.1 基础版代码实现

下面这个MATLAB函数是我在多个项目中打磨出来的实用版本，关键位置都加了注释：

matlab复制function [clusters, medoids] = my_kmedoids(data, k, max_iter)
    % 输入检查
    if nargin < 3
        max_iter = 100; % 默认最大迭代次数
    end
    
    [n_samples, ~] = size(data);
    medoids = datasample(data, k, 'Replace', false); % 随机选择初始medoids
    
    for iter = 1:max_iter
        % 计算所有点到medoids的距离
        distances = pdist2(data, medoids);
        
        % 分配每个点到最近的medoid
        [~, labels] = min(distances, [], 2);
        
        new_medoids = zeros(k, size(data, 2));
        for i = 1:k
            cluster_points = data(labels == i, :);
            % 计算簇内所有点间的距离和
            intra_distances = sum(pdist2(cluster_points, cluster_points), 2);
            [~, min_idx] = min(intra_distances);
            new_medoids(i, :) = cluster_points(min_idx, :);
        end
        
        % 检查是否收敛
        if isequal(medoids, new_medoids)
            break;
        end
        medoids = new_medoids;
    end
    
    % 整理输出结果
    clusters = cell(k, 1);
    for i = 1:k
        clusters{i} = data(labels == i, :);
    end
end

这个实现有几个优化点：

1. 使用MATLAB内置的pdist2计算距离矩阵，比手动实现快很多
2. 添加了最大迭代次数限制，避免意外无限循环
3. 输出结果既包含分簇数据也包含最终的medoids

3.2 关键参数调优

实际使用时，有三个参数需要特别注意：

1. k值选择：我常用的方法是肘部法则。下面这段代码可以帮我们找到最佳k值：

matlab复制k_range = 1:10;
inertia = zeros(size(k_range));
for i = 1:length(k_range)
    [~, medoids] = my_kmedoids(data, k_range(i));
    distances = pdist2(data, medoids);
    inertia(i) = sum(min(distances, [], 2));
end
plot(k_range, inertia, '-o');
xlabel('Number of clusters (k)');
ylabel('Within-cluster sum of distances');

跑这段代码时要注意，k值越大计算量越大。我一般先用子采样数据跑个大概范围，再在全量数据上精细调整。

2. 距离度量：欧式距离不是唯一选择。对于分类数据，可以尝试汉明距离：

matlab复制distances = pdist2(data, medoids, 'hamming');

3. 初始点选择：随机选择可能导致结果不稳定。我通常会跑多次取最优结果：

matlab复制best_inertia = inf;
for trial = 1:10
    [temp_clusters, temp_medoids] = my_kmedoids(data, k);
    distances = pdist2(data, temp_medoids);
    current_inertia = sum(min(distances, [], 2));
    if current_inertia < best_inertia
        best_inertia = current_inertia;
        clusters = temp_clusters;
        medoids = temp_medoids;
    end
end

4. 实战案例：客户细分分析

去年我用k-medoids帮一个零售客户做过用户分群，这里分享下具体过程。

4.1 数据准备与预处理

原始数据包含10,000名用户的：

• 最近购买时间（天）
• 购买频率（次/月）
• 平均订单价值（元）
• 退货率（%）

首先进行标准化处理：

matlab复制raw_data = csvread('customer_data.csv');
normalized_data = zscore(raw_data);  % z-score标准化

然后检查是否有异常值：

matlab复制[coeff, score] = pca(normalized_data);
plot(score(:,1), score(:,2), 'o');
xlabel('PC1');
ylabel('PC2');

我发现有约2%的极端值，但考虑到这些可能是高价值客户，决定保留它们，这正是选择k-medoids的原因。

4.2 聚类实施与可视化

确定k=5个分群后运行算法：

matlab复制k = 5;
[clusters, medoids] = my_kmedoids(normalized_data, k);

为了可视化高维结果，我用PCA降维：

matlab复制[~, score] = pca(normalized_data);
colors = ['r','g','b','c','m'];
figure;
hold on;
for i = 1:k
    scatter(score(labels==i,1), score(labels==i,2), 36, colors(i), 'filled');
    plot(score(medoid_indices(i),1), score(medoid_indices(i),2), 'kx', 'MarkerSize', 15, 'LineWidth', 3);
end
legend('Cluster 1','Cluster 2','Cluster 3','Cluster 4','Cluster 5','Medoids');
hold off;

4.3 结果解读与商业应用

最终识别出5个典型客户群体：

1. 高价值忠诚客户（占比8%）：高频次、高客单
2. 潜在流失客户（15%）：近期活跃度下降
3. 价格敏感型（30%）：低客单但高频
4. 偶尔大单客户（5%）：低频但客单极高
5. 普通客户（42%）：各项指标中等

针对不同群体，我们制定了差异化的营销策略。例如对潜在流失客户，我们推出了专属优惠券；而对高价值客户，则提供VIP服务和个性化推荐。

这个案例让我深刻体会到，k-medoids在处理真实商业数据时的优势——它不会被少数极端客户带偏方向，能稳定地找出真正有代表性的客户群体。